近年来,随着互联网行业飞速的发展,人类已经逐步进入了大数据时代,但与此同时,由于信息的数据量呈现爆炸式的增长,“信息过载”已经成为业内重点关注的问题之一。推荐系统作为一种解决“信息过载”问题的技术在互联网中得到了广泛的应用。当前推荐算法的研究取得了一定的进展,众多学者纷纷提出融合用户信任信息的推荐算法,但算法的推荐性能仍有可提升空间。通过结合用户信任度和社会特征等,会使推荐性能得到较好地提升。本文主要研究工作如下:(1)针对社交网络中数据集稀疏性问题,以及用户间具有不同兴趣偏好的特点,本文提出了一种融合用户信任关系簇与用户社会特征的推荐算法(Recommend System with Trust Cluster and User Characterized Social Regularization,简称RSTU算法)。在算法中,通过对同一受信者有信任关系的用户簇特征向量作为受信者特征向量的方法,计算簇中用户与受信者的相似度,使其能够降低用户之间信任关系的稀疏度;针对用户簇中存在用户数量少而不能很好表示受信者特征的问题,利用用户与其对应信任用户簇之间的相似度计算最小距离,提升用户簇可解释性;再根据用户在不同项目中表现出不同兴趣偏好的特性,来计算在同一评分项目中不同用户潜在特征之间的相似度,结合用户社会特征并给出新的约束参数,以此减少用户兴趣偏好对推荐效果的影响。最后使用Epinions社交网络数据集将本算法与三种传统算法PMF、So Reg和SVD++进行了对比分析,实验结果显示RSTU算法相较其他算法,在算法性能评测指标RMSE上表现最优,证明了算法在评分预测精确度的性能上得到提升,较好地解决数据集稀疏性问题,提高了推荐效果。(2)针对基于社交网络的推荐方法大多利用了用户之间的信任关系,而忽略了项目之间相似度信息对用户兴趣影响的问题,本章提出了结合用户信任关系和项目间相似度的推荐算法(Recommend System with Trust Relation and Item Similarity,简称RSTI算法)。在算法构造中,首先利用用户熵和改进的Jaccard相似度进行结合得到用户综合相似度,再通过具有共同评分用户项目间的项目局部相似度和全局相似度来共同构成项目综合相似度。将用户综合相似度和项目综合相似度再进一步结合,以此进行推荐,其目的是解决数据稀疏性以及用户冷启动问题,提高评分预测精度。最后利用公开数据集Ciao对RSTI算法与三种传统推荐算法PMF、So Rec和Trust SVD进行对比验证。实验结果显示在评分预测度和用户冷启动问题上,RSTI算法在算法性能评测指标RMSE中表现均较其他算法更优。